互联网 类型
可以朗读 语音朗读
261千字 字数
2024-06-01 发行日期
展开全部

主编推荐语

华为mindpore深度学框架全面介绍。

内容简介

本书较为全面地介绍华为mindpore深度学框架的系统架构及其典型应用。

本书从逻辑上分为3个部分。部分由章和第2章组成，介绍深度学基础、mindpore概述。第二部分由第3~8章组成，介绍mindpore框架各子系统的使用方法，包括数据处理、mindpore算子、神经网络模型的开发、数据可视化组件mindinight、推理和移动端ai框架mindporelite。第三部分由第9章组成，介绍基于dcgan的动漫头像生成实例。

目录

  • 版权信息
  • 内容提要
  • 前言
  • 第1章 深度学习基础
  • 1.1 深度学习的基础理论
  • 1.1.1 人工智能的发展历程
  • 1.1.2 深度学习受到的关注
  • 1.1.3 深度学习的概念
  • 1.1.4 深度学习的基本工作流程
  • 1.2 深度学习框架
  • 1.2.1 常用的深度学习框架
  • 1.2.2 深度学习框架的对比与选择
  • 1.3 深度学习框架的执行模式
  • 1.3.1 Eager模式和Graph模式的对比
  • 1.3.2 计算图的概念
  • 1.4 华为云AI平台ModelArts
  • 1.4.1 功能概述
  • 1.4.2 ModelArts平台对昇腾生态的支持
  • 1.4.3 ModelArts开发工具
  • 1.4.4 使用ModelArts平台的基本方法
  • 第2章 MindSpore概述
  • 2.1 总体架构
  • 2.1.1 华为全栈全场景AI解决方案
  • 2.1.2 MindSpore框架的总体架构
  • 2.2 MindSpore库和子系统
  • 2.2.1 ModelZoo模型库
  • 2.2.2 Extend扩展库
  • 2.2.3 MindScience子系统
  • 2.2.4 MindExpression子系统
  • 2.2.5 MindCompiler子系统
  • 2.2.6 MindRT子系统
  • 2.2.7 MindData子系统
  • 2.2.8 MindInsight子系统
  • 2.2.9 MindArmour子系统
  • 2.3 搭建MindSpore环境
  • 2.3.1 准备基础运行环境
  • 2.3.2 安装MindSpore框架
  • 2.3.3 MindSpore社区
  • 2.4 Python模块编程
  • 2.4.1 Python模块编程基础
  • 2.4.2 常用的Python数据科学开发包
  • 2.4.3 MindSpore Python API的常用模块
  • 2.5 MindSpore编程基础
  • 2.5.1 MindSpore的开发流程
  • 2.5.2 配置MindSpore的运行信息
  • 2.5.3 数据类型
  • 2.5.4 张量
  • 2.5.5 数据集
  • 2.5.6 算子
  • 2.5.7 神经网络基本单元
  • 2.5.8 模型
  • 第3章 数据处理
  • 3.1 背景知识
  • 3.1.1 深度学习中的数据处理
  • 3.1.2 MindSpore的数据处理流程
  • 3.2 数据集加载
  • 3.2.1 加载常用图像数据集
  • 3.2.2 加载常用文本数据集
  • 3.2.3 数据采样
  • 3.2.4 生成和使用自定义数据集
  • 3.3 通用数据处理
  • 3.3.1 数据混洗
  • 3.3.2 实现数据映射操作
  • 3.3.3 对数据集进行分批
  • 3.3.4 对数据集进行重复处理
  • 3.3.5 对数据集进行拼接处理
  • 3.3.6 Tensor对象的转置处理
  • 3.4 文本数据处理
  • 3.4.1 文本数据增强技术概述
  • 3.4.2 构造和使用词汇表
  • 3.4.3 文本分词技术
  • 3.5 图像处理与增强
  • 3.5.1 使用Matplotlib显示图像
  • 3.5.2 图像裁剪
  • 3.5.3 图像翻转
  • 3.5.4 图像缩放
  • 3.5.5 图像反相
  • 3.5.6 图像格式的转换
  • 3.5.7 图像数据类型的转换
  • 3.6 自定义数据集MindRecord
  • 3.6.1 将数据存储为MindRecord数据集
  • 3.6.2 加载MindRecord数据集
  • 3.7 优化数据处理
  • 3.7.1 数据加载性能优化
  • 3.7.2 数据增强性能优化
  • 3.8 ModelArts数据处理
  • 3.8.1 创建数据集
  • 3.8.2 数据增强
  • 第4章 MindSpore算子
  • 4.1 深度学习的常用算法
  • 4.1.1 激活函数
  • 4.1.2 损失函数
  • 4.1.3 优化器
  • 4.1.4 归一化
  • 4.2 常用的激活函数算子
  • 4.2.1 ReLU函数相关算子
  • 4.2.2 Sigmoid函数相关算子
  • 4.2.3 Tanh函数相关算子
  • 4.2.4 Leaky ReLU函数相关算子
  • 4.2.5 ELU函数相关算子
  • 4.3 常用的损失函数算子
  • 4.3.1 MSE损失函数相关算子
  • 4.3.2 L1损失函数相关算子
  • 4.3.3 SmoothL1损失函数相关算子
  • 4.3.4 交叉熵损失函数相关算子
  • 4.3.5 KLDiv损失函数相关算子
  • 4.3.6 NLL损失函数相关算子
  • 4.3.7 SoftMargin损失函数相关算子
  • 4.4 常用的优化器和学习率相关算子
  • 4.4.1 常用的优化器算子
  • 4.4.2 学习率相关算子
  • 4.5 常用的归一化算子
  • 4.5.1 BN算法相关算子
  • 4.5.2 LN算法相关算子
  • 4.5.3 IN算法相关算子
  • 4.5.4 GN算法相关算子
  • 4.5.5 LRN算法相关算子
  • 第5章 神经网络模型的开发
  • 5.1 神经网络模型的基础
  • 5.1.1 搭建神经网络的流程
  • 5.1.2 卷积神经网络的工作原理
  • 5.1.3 卷积神经网络的经典模型
  • 5.2 在MindSpore框架中搭建神经网络
  • 5.2.1 在MindSpore框架中搭建神经网络的流程
  • 5.2.2 定义神经网络类
  • 5.2.3 在神经网络中定义隐藏层
  • 5.2.4 自动微分
  • 5.2.5 设置超参初始值
  • 5.2.6 设置损失函数和优化器
  • 5.3 模型训练
  • 5.3.1 创建模型对象
  • 5.3.2 训练模型
  • 5.3.3 保存模型
  • 5.4 基于LeNet-5模型的手写数字识别实例
  • 5.4.1 搭建环境
  • 5.4.2 训练模型
  • 5.4.3 LeNet-5模型的源代码解析
  • 5.5 通过ModelArts云平台在线训练模型
  • 第6章 数据可视化组件MindInsight
  • 6.1 MindInsight概述
  • 6.1.1 MindInsight的工作原理
  • 6.1.2 安装MindInsight
  • 6.2 收集和解析Summary日志文件
  • 6.2.1 收集Summary日志文件
  • 6.2.2 解析Summary日志文件
  • 6.3 训练看板
  • 6.3.1 训练标量可视化
  • 6.3.2 参数分布图
  • 6.3.3 张量可视化
  • 6.3.4 计算图可视化
  • 6.3.5 数据图可视化
  • 6.3.6 数据抽样
  • 6.3.7 损失函数多维分析
  • 6.4 溯源与对比看板
  • 6.4.1 溯源与对比看板的数据采集实例
  • 6.4.2 溯源
  • 6.4.3 对比看板
  • 第7章 推理
  • 7.1 推理概述
  • 7.1.1 推理的基本概念
  • 7.1.2 训练和推理的区别与联系
  • 7.2 MindSpore推理概述
  • 7.2.1 MindSpore推理的流程
  • 7.2.2 MindSpore模型的文件格式
  • 7.2.3 加载模型
  • 7.3 MindSpore在线推理
  • 7.3.1 使用MindSpore Hub从华为云加载模型
  • 7.3.2 验证模型
  • 7.3.3 测试模型
  • 7.4 MindSpore离线推理
  • 7.4.1 ONNX Runtime概述
  • 7.4.2 使用MindSpore导出ONNX模型
  • 7.4.3 在Python环境中安装ONNX Runtime
  • 7.4.4 Python使用ONNX Runtime进行推理的流程
  • 第8章 移动端AI框架MindSpore Lite
  • 8.1 MindSpore Lite的总体架构
  • 8.1.1 离线模块
  • 8.1.2 在线模块
  • 8.2 在Ubuntu环境下安装MindSpore Lite
  • 8.2.1 安装依赖的软件
  • 8.2.2 编译MindSpore Lite
  • 8.2.3 下载MindSpore Lite压缩包
  • 8.3 MindSpore Lite C++编程
  • 8.3.1 完整的迁移学习过程编程
  • 8.3.2 端侧模型训练可以使用的回调函数
  • 8.3.3 单纯的端侧推理场景编程
  • 8.4 端侧训练、评估和推理实例
  • 8.4.1 实例的目录结构
  • 8.4.2 解析实例的主脚本prepare_and_run.sh
  • 8.4.3 为运行实例做准备
  • 8.4.4 运行实例
  • 8.4.5 实例中端侧模型训练代码解析
  • 8.4.6 实例中端侧模型评估代码解析
  • 8.4.7 实例中端侧模型推理代码解析
  • 8.5 开发图像分类的Android App实例
  • 8.5.1 本实例的运行效果
  • 8.5.2 本实例的开发流程
  • 8.5.3 本实例使用的图像分类模型
  • 8.5.4 下载本实例的源代码
  • 8.5.5 搭建本实例的开发环境
  • 8.5.6 构建和运行本实例App项目
  • 8.5.7 本实例执行端侧推理的流程
  • 8.5.8 端侧推理的C++程序
  • 第9章 基于DCGAN的动漫头像生成实例
  • 9.1 GAN和DCGAN理论基础
  • 9.1.1 生成模型和判别模型
  • 9.1.2 什么是GAN
  • 9.1.3 DCGAN的原理
  • 9.2 为在线运行实例准备环境
  • 9.2.1 下载实例代码
  • 9.2.2 在ModelArts中创建Notebook实例并上传代码
  • 9.3 实例的在线运行与代码解析
  • 9.3.1 下载并解压数据集
  • 9.3.2 设置MindSpore运行属性及训练参数
  • 9.3.3 图像数据处理与增强
  • 9.3.4 可视化部分训练数据
  • 9.3.5 初始化权重参数
  • 9.3.6 定义生成器模型
  • 9.3.7 定义判别器模型
  • 9.3.8 连接生成器和损失函数
  • 9.3.9 连接判别器和损失函数
  • 9.3.10 定义损失函数和优化器
  • 9.3.11 定义DCGAN网络
  • 9.3.12 完成生成器和判别器的实例化工作
  • 9.3.13 训练模型
  • 9.3.14 绘制训练过程中生成器和判别器的损失值的变化趋势图
  • 9.3.15 展示生成的卡通头像
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

人民邮电出版社

人民邮电出版社是工业和信息化部主管的大型专业出版社，成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”，致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。